Disusun Oleh:
1501022088
A. TUJUAN PRAKTIKUM
B. DASAR TEORI
Backpropagation (BP) merupakan algoritma pembelajaran yang terdiri dari tiga
bagian yaitu: umpan maju pola pelatihan, perhitungan perambatan balik dan
pengaturan bobot. Algoritma ini menggunakan error output untuk mengubah nilai
bobot-bobotnya dalam arah balik (backward). Nilai error diperoleh dari proses
sebelumnya yaitu pada tahap perambatan maju (forward). Inti dari algoritma
belajar propagasi balik ini terletak pada kemampuannya mengubah nilai-nilai
bobotnya untuk merespon adanya error.
Untuk dapat menghitung error, sampel data yang digunakan sebagai pembelajaran
harus mengandung serangkaian pola-pola input beserta pasangan pola-pola output
yang menjadi targetnya. Dengan pengertian lain bahwa perlu adanya pola-pola
referensi bagi JST. Hal ini penting sehingga setiap JST mengeluarkan output, ia
akan membandingkan dengan hasil yang diharapkan tadi. Propagasi balik error
inilah yang yang memberi nama JST sebagai JST BP.
Algoritma:
L0. Inisialisasi bobot (tetapkan dengan nilai acak kecil)
L1. Selama syarat kondisi false kerjakan langkah 2-9
L2. Untuk setiap pasangan yang akan dilakukan pembelajaran, kerjakan langkah 3
sampai 8
Umpan maju
L3. Setiap unit input (xi, i=1,2,...,n) menerima sinyal input xi dan meneruskan
ke semua unit dalam lapis tersembunyi
L4. Setiap unit tersembunyi (zj, j=1,2,...,p) menjumlahkan sampel input
terbobotnya,
C. ALAT DA BAHAN
1. Komputer
2. Matlab 2014b
D. HASIL DAN PEMBAHASAN
1. Neural Network Toolbox
Pemahaman mengenai NN Toolbox MATLAB ini dilakukan
dengan membuat m-file dengan nama Prak81a.m seperti pada Gambar
4.1.1 di bawah ini. M-file ini dibuat sebagai langkah pelatihan serta
pengujian untuk fungsi XOR dengan laju pembelajaran serta iterasi yang
sudah ditentukan.
Pada hasil yang diperoleh dengan merujuk pada gambar 4.1.2 dan
4.1.3 ditunjukan bahwa nilai pola yang diberikan dipahami oleh program
dengan memunculkan nilai yang mendekati nilai target atau diharapkan.
Program ini sudah mampu membuktikan bahwa antara parameter sumber
yang dalam hal ini merupakan fungsi XOR dapat didekati dengan baik
meski masih ada pendekatan pola yang cukup jauh.
Selain itu ketika eksekusi awal dari program ini dilakukan akan
dimunculkan jendela Neural Network Training yang disediakan oleh
MATLAB ketika kita memanggil fungsi-fungsinya pada program dan
menyiapkan proses pelatihan atau pengujiannya. Penampakan dari jendela
Neural Network Training yang dalam hal ini diberi nama fungsi
nntraintool tadi seperti pada gambar 4.1.4 di lembar selanjutnya.
Gambar 4.1.4 Neural Network Training(nntraintool)
G. REFERENSI